هوش مصنوعی کار مدیر محصول رو آسونتر نمیکنه
هوش مصنوعیخلاصهٔ کاملتر
نویسنده، Ravi Mehta، میگه یه نگرانی آروم بین تیمهای محصول راه افتاده: AI داره spec مینویسه، تیکت میسازه، wireframe میکشه و کدِ کارکننده تحویل میده، و سؤال این وسط اینه که «هنوز شغلی برام مونده؟». جوابِ نویسنده اینه که AI شغل مدیر محصول رو نگرفته، بلکه همون کاری که از اول باید میکردیم رو آشکار کرده. به گفتهٔ نویسنده، بخش سخت کار هیچوقت کاغذبازی نبوده؛ سختـش فهمیدنِ چیزیه که مشتری واقعاً میخواد و تبدیلش به ارزش برای مشتری و شرکت. AI فقط زودتر میرسونتت به همون بخش سخت.
نویسنده میگه برای دههها کار مدیر محصول این بود که «نه» بگه، چون ساختن نرمافزار گرون بود و زمان مهندسی کم. چارچوبهایی مثل RICE و MoSCoW و ICE در اصل ماشینآلات پیچیدهای بودن برای نه گفتن از طرف سیستمی که توان «بله» نداشت. حتی MVP هم به گفتهٔ نویسنده یه بهترینروش واقعی نبوده، بلکه دور زدنِ کمبود منابع بوده؛ آخه چند تا مشتری دنبال محصولی هستن که فقط بهزور نیازشون رو حل کنه؟
حالا که «بله» ارزون شده، کار سختتر شده نه آسونتر. نویسنده میگه دو تا ساعت همزمان تو هر تیم محصول کار میکنن: «سرعت AI» که spec و کد و prototype و تیکت رو پیش میبره، و «سرعت انسانی» که گفتگو با مشتری، همسوسازی ذینفعان، قانعکردن مدیرعامل و فرهنگ سازمان رو اداره میکنه. هرچی سرعت AI بالاتر میره، گلوگاه کامل میافته رو سرعت انسانی.
تو مقاله اومده که تیمهای بهظاهر پرسرعت در عمل پر شدن از PRDهایی که کسی نخونده، نمونههایی که هیچوقت دمو نشدن و فیچرهایی که با سکوت مشتری روبهرو شدن. این حرکته، نه پیشرفت. نویسنده یه نکتهٔ تازه هم اضافه میکنه: نرمافزار پیچیده هم برای آدمها بده هم برای agentها؛ هر فیچر بیتمایزی که اضافه کنی، کار agent رو سختتر میکنه، token بیشتری میخوره و احتمال اقدام اشتباه رو بالا میبره. پس هزینهٔ گزینشنکردن حالا دو برابر شده.
نویسنده میگه شغل قدیمی «اولویتبندی» بود؛ یعنی رتبهبندی backlog و نه گفتن به اکثر چیزها. شغل جدید «گزینش» (curation) ـه؛ یعنی تصمیمگیری دربارهٔ چیزی که لیاقت جا گرفتن تو محصول و تو توجه مشتری و تو استراتژی شرکت رو داره. گزینش قضاوت و وسواس روی مشتری میخواد، ولی به گفتهٔ نویسنده شواهد هم میخواد؛ بدترین نسخهٔ عصر AI اونیه که گرانقیمتترین آدمِ اتاق هر بحثی رو با زورِ شخصیت ببره. یه نتیجهٔ خلافِانتظار هم اینه که کار کیفی مهمتر میشه نه کمتر، چون توجه مشتری گلوگاهه و با A/B تست نمیشه فهمیدش.
نویسنده میگه گزینش به یه سیستم نیاز داره، ولی برای اکثر تیمها بازخورد تو یه ابزاره، اولویتبندی تو یکی دیگه و تحویل تو سومی، و مدیر محصول میشه واسطهٔ انسانیِ سیستمهایی که با هم حرف نمیزنن. مشکل عمیقتر اینه که بیشتر ابزارهای AI تا حالا تکنفره بودن؛ هر مدیر محصول context خودش رو تو ChatGPT یا Claude میسازه که برای بهرهوری فردی عالیه ولی به درد تیم نمیخوره. به گفتهٔ نویسنده داریم از AI تکنفره به AI چندنفره و از context فردی به context مشترک حرکت میکنیم.
نویسنده سه شکاف مشترک رو نام میبره: شکاف سیگنال (واقعیت مشتری تو تماسهای فروش و تیکتها و داشبوردها پخشه و به تصمیمگیرنده نمیرسه)، شکاف شواهد (راهی برای مقایسهٔ عینی ایدهٔ تازه با بقیهٔ نقشهٔ راه نیست، پس بلندترین صدا برنده میشه) و شکاف پیوستگی (دلیلِ «چرا» تو مسیر از کشف تا تحویل گم میشه). جمعبندی نویسنده اینه که یه فیچر وقتی منتشر میشه تموم نشده؛ وقتی تموم میشه که مشتری ازش ارزش بگیره. برندههای دههٔ بعد تیمهاییان که روی context مشترک و پایدار کار میکنن و بیرحمانه گزینش میکنن.
نکات کلیدی:
- AI شغل مدیر محصول رو نگرفته، فقط سریعتر میرسونتت به بخش سخت کار
- شغل از «اولویتبندی» (نه گفتن) به «گزینش» (انتخاب درست) تغییر کرده
- دو ساعت همزمان کار میکنن: سرعت AI و سرعت انسانی، و گلوگاه افتاده رو انسان
- نرمافزار پیچیده هم برای کاربر بده هم برای agent؛ هزینهٔ گزینشنکردن دو برابر شده
- مزیت رقابتی مدل نیست، context اختصاصی و مشترکِ تیمیه
- فیچر وقتی منتشر میشه تموم نشده؛ وقتی مشتری ازش ارزش بگیره تموم شده
